TEMA 7: TEORA DE LA PROBABILIDAD

7.1. Introduccin. ....................................................................................... 1 7.2 Espacio Muestral................................................................................... 2 7.3 Concepto de -lgebra. ......................................................................... 5 7.4. Definicin clsica de probabilidad. ...................................................... 6 7.5. Definicin frecuentista de probabilidad. .............................................. 6 7.6. Definicin axiomtica de probabilidad. ................................................ 7 7.6.1. Teoremas elementales o consecuencias de los axiomas. ............... 8 7.7. Probabilidad Condicionada. ............................................................... 10 Teorema 8.- (Regla de la multiplicacin) ............................................... 10 Teorema 9.- (Teorema de la probabilidad total). ................................... 10 Teorema de Bayes . ............................................................................... 11 7.8.- Independencia de sucesos. .............................................................. 12 7.1. Introduccin. Relatos antiguos sugieren que la teora de la probabilidad se remonta a formas primitivas de juegos de envite y azar. Gerolamo Cardan (1501-1576) afirm que hace casi 2000 aos los soldados romanos inventaron muchos de nuestros juegos de azar actuales slo como pasatiempo durante sus campaas para conquistar a la mayor parte del mundo civilizado. Otros autores afirman que la teora de la probabilidad tiene su origen en el siglo XVI en Francia por los juegos de azar y se debe a la curiosidad de los jugadores que acosaban con preguntas a sus amigos del mundo de las matemticas (correspondencia entre Pascal y Fermat). En el siglo XVII Jacob Bernouilli, miembro de una familia suiza de matemticos, estableci muchas de las leyes bsicas de la probabilidad moderna. Thomas Bayes (1702-1761) y Joseph Lagrange tambin se cuentan entre los pioneros de la teora de la probabilidad. La definicin clsica se debe a Laplace que en su monumental libro Theorie anlitique des probabilits ( 1812), establece la definicin de probabilidad de un suceso que puede ocurrir slo un nmero finito de veces, como la proporcin del nmero de casos favorables entre el nmero total de casos posibles. Destacar por otra parte que la axiomtica del Clculo de Probabilidades se debe a Kolmogorov (1933). En la actualidad vemos que la teora de la probabilidad ocupa un puesto destacado en muchos asuntos de negocios. Los seguros y las prcticas actuariales tienen una base firme en los principios de la teora de la probabilidad. Por ejemplo, las primas de los seguros de vida dependen de las tablas de mortalidad, que a su vez se basan en la probabilidad de muerte a una edad concreta. La probabilidad tambin se aplica a la estimacin del nmero de unidades defectuosas en los procesos de fabricacin, a la verosimilitud de recibir pagos en las cuentas a cobrar y a las ventas potenciales de un nuevo producto. Ahora bien, la teora de la probabilidad es una parte de las matemticas, anloga al lgebra o la geometra y su construccin ser por tanto semejante. Para la construccin de una teora matemtica se parte de un conjunto de aseveraciones, que se designan con el nombre de axiomas, y mediante la lgica se deducen una sucesin de afirmaciones que se designan con el nombre de teoremas. La forma en que se eligen los axiomas no es aleatoria ni categrica, lo que se intenta con estos postulados es Idealizar la Realidad. Los fenmenos que se pueden estudiar y que estn asociados con la realizacin de cualquier experimento (accin bien definida que produce un resultado nico y bien definido) pueden ser de una tipologa muy variada, pero una sencilla clasificacin de los mismos, que adems, va a ser de gran inters para la Estadstica es aquella que distingue entre fenmenos determinsticos y aleatorios.
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 1-12

TEMA 7: TEORA DE LA PROBABILIDAD

Los fenmenos determinsticos, estn caracterizados por obtener los mismos resultados cuando se realiza el experimento en idnticas condiciones. Estos no van a ser objeto de inters puesto que se conoce el resultado final antes de realizarlo (se corresponden por ejemplo con el estudio de las leyes fsicas clsicas: velocidad, rozamiento, etc.). Por otra parte estn los fenmenos aleatorios caracterizados por no obtener los mismos resultados aunque se realice el experimento en idnticas condiciones (lotera primitiva). Concretamente, la definicin de fenmeno o experimento aleatorio es la siguiente: Definicin.- Un experimento aleatorio es aqul que verifica las siguientes condiciones: a) Todos los resultados posibles son conocidos de antemano. b) Cualquier realizacin del experimento da lugar a un resultado que no es conocido de antemano. c) El experimento puede repetirse bajo idnticas condiciones. Ejemplos clsicos de fenmenos aleatorios son los juegos de azar: lanzamiento de un dado, lanzamiento de una moneda, obtener un pker en una baraja, obtener un pleno en una quiniela, etc. En realidad es prcticamente imposible pensar acerca de un fenmeno que no pueda calificarse de aleatorio, pues pocos pueden anticiparse sin ningn error. Otros ejemplos podran ser: n de das de lluvia en una provincia a lo largo de un ao, n de turistas durante un mes en un pas, el valor de una accin en una jornada burstil, etc. En Economa cualquier fenmeno emprico lo es: La renta per cpita de un pas, la tasa de inflacin del ao en curso, la caracterstica de una persona activa en el mercado laboral de estar trabajando o en paro, todos ellos son fenmenos econmicos de naturaleza aleatoria. 7.2 Espacio Muestral. Asociado a todo experimento aleatorio existe un conjunto con los posibles resultados que se obtienen de realizar dicho experimento. A cada uno de los posibles resultados del experimento aleatorio se le llama resultado bsico o elemental, comportamiento individual o punto muestral. Al conjunto de todos los posibles resultados elementales se le llama conjunto universal, espacio muestral o espacio de los comportamientos y se le designa por . Por ejemplo, si el experimento aleatorio consiste en lanzar un dado, los resultados elementales sern que aparezca un 1, 2, 3, 4, 5 6, y el espacio muestral ser el conjunto formado por los seis posibles resultados, esto es:
= { 1, 2, 3, 4, 5, 6 }

Los espacios muestrales asociados a un experimento aleatorio pueden ser de tres clases: - Espacio muestral finito. - Espacio muestral infinito numerable. - Espacio muestral continuo. Un espacio muestral se dice que es finito, cuando tiene un nmero finito de elementos. Por ejemplo el espacio muestral asociado con el lanzamiento de un dado. Un espacio muestral se dice que es infinito numerable si se puede establecer una aplicacin biyectiva entre los elementos del espacio muestral y la sucesin de
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 2-12

TEMA 7: TEORA DE LA PROBABILIDAD

nmeros naturales. Por ejemplo el experimento aleatorio consistente en lanzar un dado hasta que se obtenga un 1. Tambin se le suele llamar espacio muestral discreto indistintamente a los casos finito e infinito numerable. Si el espacio muestral tiene un nmero infinito no numerable de elementos, diremos que es de tipo continuo. Es decir, si no se puede establecer una correspondencia biunvoca entre los elementos del espacio muestral y la sucesin de nmeros naturales. A cada uno de los posibles subconjuntos A del espacio muestral de un experimento aleatorio se le denomina suceso.(A ). As, al lanzar un dado, seran sucesos: {sacar par}=(2, 4, 6), {sacar impar}=(1, 3, 5), {sacar un tres}=(3), {sacar un nmero mayor o igual que cuatro}=(4, 5, 6),. Se dice que el suceso ocurre, si el resultado del experimento est en el suceso. A los subconjuntos formados por un solo punto muestral, se les denomina sucesos elementales.(evidentemente son subconjuntos del espacio muestral ). Al resto se les denomina sucesos compuestos. Por tanto sacar par, sacar impar, y sacar mayor o igual que cuatro sern sucesos compuestos (se pueden descomponer en sucesos elementales), y sacar tres ser un suceso elemental (no es posible descomponerlo en otros sucesos ms sencillos). De entre todos los sucesos, existen dos especialmente singulares: el suceso imposible (aquel que nunca ocurre) y que es , y el suceso seguro (aquel que ocurre siempre) y que no es otro que . Operaciones entre sucesos: 1) Complementario de un suceso: Sea A un suceso de un espacio muestral . Llamaremos suceso complementario de A y lo notaremos decir:

A = AC al formado por los puntos muestrales que no pertenecen a A, es

A A C ={ / }
no ocurre A, y viceversa. Al suceso Obviamente, si ocurre complementario se le denomina tambin suceso contrario. Por ejemplo al lanzar un dado, el suceso complementario de obtener nmero par es obtener nmero impar.
A

2) Unin de sucesos: Sean A y B dos sucesos de un espacio muestral . Se define la unin de A y B como el suceso formado por todos los puntos muestrales que pertenecen al menos a uno de los dos sucesos, es decir: A U B ={ / A u B }
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 3-12

TEMA 7: TEORA DE LA PROBABILIDAD

Si ocurre A U B, ocurre A , B, ambos. Propiedades; conmutativa y asociativa.
B A

Ejemplo: la unin de los sucesos sacar nmero par A=(2, 4, 6) y sacar nmero primo B=(1, 2, 3, 5) es (1,2,3,4,5,6)= . 3) Interseccin de sucesos: Sean A y B dos sucesos de un espacio muestral . Se define la interseccin de A y B como el suceso formado por todos los puntos muestrales que pertenecen a ambos, es decir: A B ={ / A y B } Si ocurre A B, ocurren A y B. Este suceso se denomina tambin producto de A y B. Propiedades: conmutativa y asociativa. Adems la unin y la interseccin verifican la propiedad distributiva una respecto de la otra. Ejemplo: La interseccin de los sucesos sacar nmero par A=(2, 4, 6) y sacar nmero primo B=(1, 2, 3, 5) es el suceso obtener par y primo C=(2). Las leyes de Morgan relacionan las tres operaciones anteriores: * *
( A B )C = AC B C ( A B )C = AC B C

4) Diferencia de sucesos: Sean A y B dos sucesos de un espacio muestral . Se define la diferencia de A y B como el suceso formado por todos los puntos muestrales que pertenecen a A y no pertenecen a B, es decir: C A - B ={ / A y B }= A B Si ocurre A B, entonces ocurre A pero no ocurre B. Es evidente que:

AB A B

Relaciones entre sucesos: 1) Inclusin de sucesos: Sean A y B dos sucesos de un espacio muestral . Diremos que el suceso A est incluido en el suceso B, si todos los puntos muestrales de A pertenecen a B, es decir: A B Esta relacin la notaremos A B. Siempre que ocurre A ocurre B. B

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 4-12

TEMA 7: TEORA DE LA PROBABILIDAD

Ejemplo: El suceso sacar nmero impar al lanzar un dado A={1,3,5} est incluido en el suceso sacar nmero primo B={1,2,3,5}. 2) Igualdad de sucesos: Sean A y B dos sucesos de un espacio muestral . Diremos que el suceso A es igual al suceso B, si todos los puntos muestrales de cada uno de ellos estn en el otro, es decir: A B Esta relacin la notaremos A = B. A y B ocurren no ocurren simultneamente. Es fcil comprobar que: A=BAByBA Ejemplo: El suceso sacar nmero primo y par al lanzar un dado es igual al suceso sacar un dos. 3) Sucesos incompatibles, disjuntos mutuamente excluyentes: Sean A y B dos sucesos de un espacio muestral . Diremos que el suceso A es incompatible con el suceso B, si ningn punto muestral es comn a ambos, es decir: AB= La ocurrencia de A impide B y viceversa. Se dice tambin que A y B son sucesos disjuntos mutuamente excluyentes.

A 7.3 Concepto de -lgebra.

El conjunto de todos los sucesos es, por tanto el conjunto de partes del espacio muestral , ( ). En muchas ocasiones, no nos interesarn todos los sucesos de un experimento (todos los subconjuntos del espacio muestral ), sino nicamente una parte de ellos. Por ejemplo, si dos jugadores de dados estn apostando a par impar, evidentemente en esta situacin, no interesarn sucesos como obtener un 3, {3}, sino solamente los sucesos obtener par y obtener impar. Este es el motivo de introducir un nuevo concepto: el de -lgebra. Llamaremos -lgebra a un subconjunto de partes de , no vaco que verifique: a) El complementario de un suceso de tambin pertenece a .

A AC b) La unin de una coleccin finita numerable de sucesos de tambin pertenece a , es decir: {Ai } i=1,2,, con Ai U Ai La justificacin de por qu exigimos estas propiedades y no otras radica en que si nos interesa la ocurrencia de un suceso, tambin nos interesar la no ocurrencia (el complementario), y en que si nos interesan dos sucesos, tambin nos interesar su unin. Pues bien, definida la -lgebra

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 5-12

TEMA 7: TEORA DE LA PROBABILIDAD

Definicin.- Al par ( , S ) donde es el espacio muestral y S es una lgebra sobre se le llama espacio o conjunto medible, en el cual ser posible establecer una medida o probabilidad como luego veremos. Una -lgebra es una clase no vaca de subconjuntos de que es cerrada para la unin numerable y el complementario. A los elementos de se les llama puntos muestrales, sucesos elementales o sucesos simples, y a cualquier elemento A S se le llama suceso, donde A es claramente una coleccin de puntos muestrales. Al suceso que consta de todos los sucesos elementales del espacio muestral, es decir al que coincide con el espacio muestral se le llama suceso seguro, y se le nota tambin por . Al suceso que no tiene ningn elemento del espacio muestral y por tanto no ocurrir nunca se le denomina suceso imposible y se nota por . Ejemplo: Lanzamiento de una moneda al aire. Ejemplo: Lanzamiento de dos monedas. Considerar por ejemplo el suceso salir al menos una cara. 7.4. Definicin clsica de probabilidad. Consideremos un experimento aleatorio, cuyo correspondiente espacio muestral est formado por un nmero finito n de posibles resultados distintos y con la misma posibilidad de ocurrir {w1, w2,...,wn }. Si el experimento se repite n veces, entonces n1 resultados constituyen el subconjunto o suceso A1 , n2 resultados constituyen el suceso A2 , y as sucesivamente hasta nk , de tal manera que: n1 + n2 +...+ nk = n y las probabilidades de los sucesos A1 , A2 ,..., Ak sern: n n n P(A1 ) = 1 ; P(A2 ) = 2 ; ...; P(Ak ) = k n n n Es decir, la probabilidad de cualquier suceso A es igual al cociente entre el nmero de resultados favorables o resultados que integran el suceso A y el nmero total de elementos o posibles resultados del espacio muestral. Luego una expresin para calcular la probabilidad de un suceso cuando todos los posibles resultados tienen la misma probabilidad de ocurrir ser: numero de casos favorables de A P(A) = numero de casos posibles de que se conoce con el nombre de regla de Laplace para espacios muestrales finitos. Tambin se le suele llamar probabilidad a priori, pues para calcularla es necesario conocer antes de realizar el experimento aleatorio, el correspondiente espacio muestral y el nmero de resultados o sucesos elementales que entran a formar parte del suceso cuya probabilidad pretendemos determinar; pudiendo calcular la probabilidad de cualquier suceso antes de realizar el experimento aleatorio. La aplicacin de la definicin clsica de probabilidad puede presentar dificultades en algunos casos. Concretamente, cuando el espacio muestral es infinito, o bien cuando los posibles resultados de un experimento no son igualmente probables. Para resolver, entre otros, estos problemas se hace una extensin de la definicin de probabilidad, de manera que se pueda aplicar con menos restricciones, llegando a la definicin frecuentista de la probabilidad. 7.5. Definicin frecuentista de probabilidad.

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 6-12

TEMA 7: TEORA DE LA PROBABILIDAD

El concepto frecuentista de probabilidad lo estableci formalmente Von Mises (1919), aunque el fundamento fue ya percibido a mediados del siglo XIX. Esta teora se basa en dos pilares: en la experiencia de estabilidad de las frecuencias o regularidad estadstica y en la aceptacin de la objetividad de la probabilidad. Segn el primero, en un experimento aleatorio " a pesar del comportamiento irregular de los resultados individuales, los resultados promedios, en largas sucesiones de experimentos aleatorios, muestran una sorprendente regularidad" (Cramer). En virtud de la objetividad de la probabilidad, sta es una propiedad fsica de los objetos como la densidad, la conductibilidad elctrica, etc. y, por tanto, determinable, medible. Consiste en definir la probabilidad como el lmite cuando n tiende a infinito de la proporcin o frecuencia relativa del suceso. En general, si realizamos un experimento aleatorio cuyo correspondiente espacio muestral es y designamos por A cualquier suceso perteneciente al espacio muestral y repetimos en las mismas condiciones, n veces el experimento aleatorio, tendremos que la frecuencia relativa del suceso A ser: n ( A) n Donde n(A) es el nmero de veces que ha aparecido el suceso A en las n repeticiones del experimento. Cuando el nmero n de repeticiones del experimento se hace muy grande, o sea, cuando n tiende a infinito, la frecuencia relativa converge hacia un valor que se denomina probabilidad del suceso, o sea: P(A) =

Pero como es imposible llegar a este lmite ya que no podemos realizar el experimento un nmero infinito de veces, lo que s podemos hacer es repetir el experimento muchas veces y observaramos que las frecuencias relativas tienden a estabilizarse. Tiene la limitacin de no poder utilizarse en fenmenos no experimentales. A esta definicin frecuentista de la probabilidad se le llama tambin probabilidad a posteriori, ya que slo podemos dar la probabilidad de un suceso despus de repetir y observar, un nmero grande de veces, el experimento aleatorio correspondiente. Algunos autores tambin las llaman probabilidades tericas. Para tratar de evitar las limitaciones que hemos mencionado en los conceptos de probabilidad clsica y frecuentista , un matemtico ruso, Andrei Kolmogorov, desarroll una teora axiomtica de la probabilidad, que presentamos en el siguiente apartado. 7.6. Definicin axiomtica de probabilidad. La definicin axiomtica de probabilidad es quizs la ms simple de todas las definiciones y ciertamente la menos controvertida ya que, esencialmente, es una definicin basada en un conjunto de axiomas que establecen los requisitos mnimos para dar una definicin de probabilidad. La ventaja fundamental de la definicin axiomtica de la probabilidad es que nos permite llegar a un desarrollo riguroso y matemtico de la probabilidad. Esta aproximacin axiomtica de la probabilidad fue introducida inicialmente, por el matemtico ruso A.N. Kolmogorov y posteriormente por estadsticos y matemticos en general.
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 7-12

n (A) lim n n

TEMA 7: TEORA DE LA PROBABILIDAD

Dado el espacio medible ( , S ) , diremos que una funcin P: S probabilidad si satisface los siguientes axiomas de Kolomogorov:

, es una

i) P(A) 0 A S ii) P( ) = 1 iii) Dada una sucesin numerable de sucesos incompatibles, se verifica que la probabilidad de la unin es la suma de las probabilidades, esto es: { Ai } i =1 Ai S i; Ai A j = i j P U Ai = P( Ai ) i =1 i =1 La terna ( , S, P) recibe el nombre de espacio probabilstico. 7.6.1. Teoremas elementales o consecuencias de los axiomas. Los siguientes resultados se deducen directamente de los axiomas de probabilidad de Kolmogorov. Teorema 1.- La probabilidad del suceso imposible es nula, esto es: P( ) = 0. Demostracin: Consideramos una sucesin numerable de sucesos, todos ellos iguales al suceso imposible, es decir:

{ Ai } i=1

Ai S Ai = i

Se verifican entonces las condiciones del axioma iii), ya que adems estos sucesos son incompatibles con lo que: P U Ai = P ( Ai ) i =1 i =1
Ahora bien: P U Ai = P U = P () = P ( Ai ) = P () i =1 i =1 i =1 i =1

llegamos pues a la igualdad:

P () = P ()
i =1

Ahora bien por el axioma i) la nica solucin a esta igualdad es que P( ) = 0, que es lo que queramos demostrar. Si para cualquier suceso A resulta que P(A) = 0, diremos que A es un suceso nulo, pero esto no implica que A = . Teorema 2.- La probabilidad de la unin de dos sucesos disjuntos es la suma de sus probabilidades. Esto es: Si A, B S y A B = P( A B) = P(A) + P(B) Demostracin Consideramos la siguiente coleccin numerable de sucesos: A1 = A; A2 = B; Ai = i > 2 . Esta coleccin verifica los requisitos exigidos en el axioma iii), con lo que podemos asegurar que: P U Ai = P ( Ai ) i =1 i =1 En este caso, la igualdad se convertira teniendo en cuenta el resultado obtenido en el Teorema 1 en: P( A 1 A 2 ) = P(A 1 ) + P(A 2 ) Corolario Sean Ai , i= 1,2,...,n ; Ai S i; y A i A j = i j , entonces :

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 8-12

TEMA 7: TEORA DE LA PROBABILIDAD

n n P U A i = P (A i ) i =1 i = 1

La demostracin es automtica tras aplicar sucesivas veces el resultado del teorema 2. Teorema 3.- Sean A, B S, A B P(A ) P( B) . Demostracin: Como A B podemos escribir: B = A (B-A). Entonces como A y B-A son elementos de la sigma-lgebra disjuntos, podemos aplicar el Teorema 2, obteniendo que: P(B) = P(A) + P(B-A) Por otra parte, por el Axioma i) todos los elementos de la igualdad anterior son positivos o nulos, en particular P(B-A) 0, luego:

P(A) P(B) Teorema 4.- Sean A, B S, entonces P( A B) = P(A)+P(B) - P(A B)

Demostracin: Por teora de conjuntos, sabemos que se pueden escribir las siguientes igualdades:

A B=(A B) (B A) (A B)
donde cada uno de los sucesos encerrados entre parntesis son disjuntos. Anlogamente. A = (A B) (A B) B = ( B A ) (A B) Podemos aplicar en estas igualdades por tanto el Teorema 2 y su Corolario, obteniendo: P(A B) = P (A B) + P( B A ) + P(A B) (1) P(A ) = P (A B) + P (A B) P( B) = P( B A ) + P(A B) Sustituyendo estas dos ltimas igualdades en (1) se obtiene la igualdad deseada. Teorema 5.- Sean A1 , A2,,..., An S. Entonces:

n n P U Ai = P ( Ai ) P( Ak1 Ak 2 ) + P(Ak1 Ak 2 Ak 3 ) + ... + (1) n +1 P I Ai k 1< k 2 k 1< k 2< k 3 i =1 i =1 i =1

n

La demostracin se realiza por induccin sobre n. Teorema 6.- Sea A S. Entonces P(A) = 1- P( A ). Demostracin: A y A son disjuntos y tal que A A = , luego aplicando el Teorema 2:
P(A A ) = P(A ) + P(A ) = P() = (por el axioma ii)= 1. Despejando P(A) se obtiene la igualdad deseada.
_ _

DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 9-12

TEMA 7: TEORA DE LA PROBABILIDAD

La axiomtica propuesta por Kolmogorov es muy interesante, pues permite caracterizar, mediante slo tres propiedades, a cualquier medida de probabilidad. Sin embargo, este enfoque tiene asimismo una limitacin, y es que, a diferencia de los enfoques clsico y frecuentista, no nos dice mucho acerca del modo de asignar probabilidades a sucesos. Por ello se hace imprescindible trabajar con lo que denominamos modelos de probabilidad, es decir, distintos sistemas que s permiten la evaluacin de las probabilidades de sucesos. 7.7. Probabilidad Condicionada. Hasta ahora se han calculado probabilidades de sucesos bajo la hiptesis de que la nica informacin disponible es la descripcin del experimento y el espacio muestral. Sin embargo, en ocasiones se dispone de informacin adicional que puede (quizs no ) condicionar el experimento, y el problema que se plantea es cmo utilizar esta informacin. Esto es, el conocimiento de que ya haya ocurrido un suceso, conduce a que determinados resultados no pueden haber ocurrido, variando el espacio de los resultados y cambiando como consecuencia sus probabilidades. Supongamos por ejemplo que tenemos dos urnas, la primera con una bola blanca y dos negras y la segunda con dos blancas y una negra. Se lanza una moneda y si sale cara se extrae una bola de la primera urna y si sale cruz de la segunda. Consideramos el suceso A = "obtener bola negra". El espacio muestral sera = {1b,1n 1 ,1n 2 ,2 b 1 ,2 b 2 ,2 n} y por tanto P(A) = 3/6. Ahora bien, supongamos que conocemos el resultado del lanzamiento de la moneda, y ha sido cara, entonces el nuevo espacio muestral sera: 1 = {1b,1n 1 ,1n 2 } y la probabilidad del suceso A con esa informacin adicional sera 2/3. Esto nos lleva a la siguiente definicin: Definicin.- Sea (, S , P) un espacio de probabilidad y sea H S con P(H)> 0. Dado A S se define la probabilidad de A condicionada a H como:

P(A / H) =

P( A H ) P( H )

Se puede demostrar fcilmente que la funcin as definida P(-/H) cumple los tres axiomas de Kolmogorov, y por tanto es una medida de probabilidad. A partir de esta definicin se pueden obtener una serie de consecuencias o teoremas. Teorema 7.- Sean A,B S , entonces si : P(B) 0 P(A B) = P( B) P(A / B) P(A ) 0 P(A B) = P(A ) P( B / A ) Estos resultados se pueden generalizar para un nmero finito de sucesos obteniendo la llamada regla de la multiplicacin. Teorema 8.- (Regla de la multiplicacin) Sean A1,A2,...,An S tal que P( I A i ) > 0 ; j = 1,2,... n 1 . Entonces:
i =1 n 1 n P I A i = P(A 1 ) P(A 2 / A 1 ) P(A 3 / A 1 A 2 )... P A n / I A i i =1 i =1 j

La demostracin se hace por induccin sobre n, haciendo uso del Teorema 7. Teorema 9.- (Teorema de la probabilidad total). Sean A1,A2,...,An S tal que: i = 1,...,n i) P(Ai ) > 0
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 10-12

TEMA 7: TEORA DE LA PROBABILIDAD

n

ii)

UAi
i =1

iii) A i A j = i j es decir estos sucesos forman un sistema completo. Sea A S cualquier suceso. Entonces se verifica que:

P ( A ) = P ( A i ) P A A i i =1
Demostracin: Podemos escribir: n A=A = (por ii))= A U A i = (por la propiedad distributiva de la i =1 interseccin con respecto a la unin) = Luego:
n P(A) = P U (A A i ) = (por iii)) = i =1

U (A A i ) .
i =1

P( A A i ) =
i =1

(por la regla de la

multiplicacin) =

P(A i ) P A A i , que es lo que queramos demostrar.

i =1

Como consecuencia inmediata de este teorema nos encontramos con el teorema de Bayes: Teorema de Bayes . Sean A1,A2,...,An S tal que: i = 1,...,n i) P(Ai ) > 0 ii)

UAi
i =1

iii) A i A j = i j es decir estos sucesos forman un sistema completo. Sea B S tal que P(B) > 0. Entonces: P ( A j ) P B A j Aj P B = n P ( A j ) P B A j j =1 Demostracin: Por definicin de probabilidad condicionada: A P(A j B) P j B = =(por la regla de la multiplicacin, P( B) aplicada al

P ( A j ) P B A j = (por el teorema de la probabilidad total, aplicado al numerador)= P(B)

denominador) =
P ( A j ) P B A j

P ( A j ) P B A j
j =1

Examinando ambos teoremas se pone de manifiesto que el teorema de Bayes, en cierto modo, responde a la inversa de como lo hace el teorema de la probabilidad total, pues en este ltimo se han realizado los sucesos Ai y entonces hacemos inferencia sobre la realizacin del suceso B, sin embargo, en el teorema de Bayes de la realizacin del suceso B inferimos sobre la realizacin de cada Ai .
DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 11-12

TEMA 7: TEORA DE LA PROBABILIDAD

En ambos teoremas partimos de un sistema completo de sucesos Ai , i= 1,...,n, los cuales pueden ser interpretados como hiptesis, a sus probabilidades P(Ai) se les llama probabilidades a priori, ya que son las que se asignan inicialmente a los sucesos Ai , y a las probabilidades P(B/Ai ) se les considera como verosimilitudes del suceso B admitiendo la hiptesis Ai . Estas verosimilitudes nos permiten modificar nuestro grado de creencia original, obteniendo la probabilidad a posteriori P(Ai / B). Podemos decir que el teorema de Bayes, adems de ser una aplicacin de las probabilidades condicionadas, es fundamental para el desarrollo de la estadstica bayesiana, que utiliza la interpretacin subjetiva de la probabilidad, es decir, considera que la probabilidad viene afectada por la experiencia previa, la cual va a influir en nuestro grado de creencia y consecuentemente en la probabilidad que le asignamos al suceso en cuestin, y sta sera una probabilidad subjetiva. 7.8.- Independencia de sucesos. Hemos definido en el apartado anterior la probabilidad del suceso B condicionada por el suceso A, y considerbamos que la informacin que se tiene del suceso A tiene algn efecto sobre la probabilidad de B, de tal manera que podremos decir: Cuando P(B/A) > P(B) entonces el suceso A favorece al B, y Cuando P(B/A) < P(B) entonces el suceso A desfavorece al B. Si admitimos que la ocurrencia del suceso A no tiene ningn efecto sobre el suceso B y como consecuencia P(B/A) = P(B) , es decir el suceso B es independiente del suceso A, surgiendo as el concepto de independencia estocstica o independencia de sucesos. Definicin. - Diremos que dos sucesos A y B son independientes si se verifica una cualquiera de las siguientes condiciones equivalentes: 1.- P(B/A) = P(B) si P(A) > 0. 2.- P(A/B) = P(A) si P(B) > 0. 3.- P(A B) = P(A) P(B). Estas tres condiciones son equivalentes. Por tanto, podemos decir que si el suceso A es independiente del suceso B, entonces el suceso B tambin es independiente del suceso A, lo que equivale a decir que ambos sucesos son mutuamente independientes. La definicin de independencia se puede extender a ms de dos sucesos. En general, diremos que n sucesos A1, A2,...,An son mutuamente independientes, si se verifica para 1 i<j<k... n, las siguientes condiciones: P( A i A j ) = P(A i ) P(A j )
P(A i A j A k ) = P(A i ) P(A j ) P(A k )

P(A 1 A 2 ...A n ) = P(A 1 ) P(A 2 )... P(A n )

Bibliografa bsica * M Angeles palacios, Fernando A. Lpez Hernndez , Jos Garca Crdoba y Manuel Ruiz Marn. INTRODUCCIN A LA ESTADSTICA PARA LA EMPRESA. Librera Escarabajal * Hermoso Gutirrez, J. A. y Hernndez Bastida, A. (1997). Curso Bsico de Estadstica Descriptiva y Probabilidad. Ed. Nmesis. Para saber ms o aclarar dudas:
http://www.uam.es/personal_pdi/ciencias/ezuazua/informweb/trabajosdehistoria/salinero_pr obabilidad.pdf http://www.dm.uba.ar/materias/estadistica_Q/2007/2/EstadQuimProbabilidad.pdf DEPARTAMENTO DE MTODOS CUANTITATIVOS E INFORMTICOS FACULTAD DE CIENCIAS DE LA EMPRESA UNIVERSIDAD POLITCNICA DE CARTAGENA 12-12